如何运用大模型和AI赋能企业,实现AI能力跟数字化落地?
今天将从数据到决策的数字化理解、企业数据分析的痛点洞察、决策支持的解决方案、以及在零售企业内的案例分享,以上四个方面展开。
分享嘉宾|林庆治 飞算科技首席数据官
内容已做精简,如需和专家交流&获取专家完整版视频实录,请扫码。
01从数据到决策的数字化理解
企业数据到决策的过程,可以从商业价值和分析方法两个维度去看。
商业价值是以数据为起点,以决策为终点。同时决策不只是一个战略,也是实际可以落地的,包括对哪些人要做什么事,怎么去销售产品,这都属于是最终决策。但也会发现这个决策过程是漫长的,从一开始看到发生了什么事,再到做一些数量、频率、程度、数据集中区域的分析,最后是接下来会发生什么事情以及最佳解决方案。
要实现上述的商业价值路径,中间需要非常多的分析过程,包括从所谓的数据访问到数据管理,再到所谓的BIReport、预测、预测模型和最优处理方式。这些都还没有到决策层面,只在解释4件事情:第一个是发生什么事情,第二是为什么发生?第三个是将发生什么?第四个是该怎么做?同时根据这四件事,可以分成四种不一样分析方式,第一是做描述性的分析,第二是系统诊断性的分析,第三是预测性分析,第四是处方性分析,是属于决策。
怎么做到最佳决策?之前的方式,最佳决策只能透过情境分析,也就是透过一些假设,来判断下一个步骤应该怎么做,其实还不是真正的决策分析。
02数据分析的痛点洞察
在过往的经验中,大概发现数据分析主要有三个问题,导致没办法真正实现数字化和AI的赋能。
第一,分析工具割裂。
要想达到刚才的数据到决策,可能要熟悉描述性分析、诊断分析,必须要用BI。但即使最先进BI工具,也只能做到诊断性分析,知道现在发生什么事情。预测性分析就是现在最流行的机器自动学习,想预测到底发生什么事情,事情背后是哪些人属于重点客户,要卖什么产品,这叫做预测性分析,到最后就是做什么决策。这应该是10年前到20年前的概念了,最多只能做到情景分析、最适分析,而且可能还需要不一样的人,用不一样工具。从整个数据到决策链路,工具是割裂的。
第二,沟通困难。
这其中涉及到的角色有三个人,业务人员、IT人员、分析人员。最原始的需求发动者即业务人员,他做数据分析必须要跟IT和分析人员沟通,但懂业务的人不懂技术、懂技术的人不懂业务,不论大银行、大公司或其他企业都存在这个痛点。
第三,内部流程非常复杂,效率低下。
例如近期为某国有大银行做基本的数据分析,就我的经验可能花2-3天可以做出来,但实际跑了两周。为什么会这么慢?因为现在数据管理越来越严格了,整个数据结果需要做审批,数据库控管非常严格。
在一家企业内的业务需求者,包括运营人员、营销人员、管理人员。运营人可能想知道整个营销状况,营销人想知道对哪些客户做营销活动,管理人员想做例行的管理控制。但整个分析流程,是从提出分析需求、需求沟通、数据分析,最后结果不符合预期,这样周而复始,就会发现一些需求痛点:
第一,原始的需求方,没有自主分析能力,这也是最核心的问题。
第二,业务人员需要跟IT人员、分析人员沟通,但IT和分析人员不太懂业务人员的需求。
第三,IT人员经过复杂的数据整理,分析人员对数据完成分析的周期比较长。
第四,最后结果不如预期,再循环。
03大模型决策支持的利器-AI.Insight
伴随着大模型的出现,以上三个痛点都将逐步被解决。AI.Insight就是通过大模型加上增强分析,来赋能业务人员的。
2017年增强分析概念被提出,可以理解BI 3.0。在2019年其实发展已经非常蓬勃,而在2022年ChatGPT的出现,实现从概念到落地。如果说2023年属于AI元年,那么2024年-2025年,将会有越来越多成熟的产品真正落地。
这是个AI赋能数据分析的整体架构。
在整个架构里面可以分为两个层次,第一层是沟通交互,业务人员透过各种终端、透过人机交互,不需要去跟IT人员、分析人员沟通。第二层是自动化,大数据实现了自动做数据处理、自动做预测、自动迭代生成。
以前这是非常大的IT架构,从数据整理到数据分析、交互,现在大数据、大模型就可以把整个串联起来。升级后的流程就如上图右侧,也许数据接入还需要it人员,但后面的环节都是使用大模型的智能能力完成,包括自动数据处理、自主分析、自动化建模、自动机器学习。更重要的是这些往复过程,不是人跟人的沟通,是人跟机器沟通。最后他给到的是决策,不是一个建议方案,他认为你应该重视哪些事情、应该针对哪些人做动作、应该做什么动作,都是通过大数据、大模型的技术实现的。
业务人员利用大模型的人机交互,以问答的方式自动做数据处理、自动生成客户洞察、自动提供决策参考,让业务人员对整个市场洞察、对业务的剖析,能够实现自主完成所有数据分析的全流程,从而使业务人员分析洞察更深入。
分析建模人员透过人工智能可以做自动编程,只需要做大模型跟小模型之间调教,所以它可以赋能这两种人员。
左边是传统分析流程。以前面提到的某国有大行为例,为理财客户做留存,因为竞争非常激烈,客户流失非常严重,需要做套经营方案。按照传统的流程,需要先提出报表需求,分析客户为什么流失,然后IT做需求排期、数据准备、构建可视化报表,最后优化调整到业务人员,如果不满足需求,需要循回多轮次。
而现在通过增强分析,可以把最复杂那三个问题,第一是工具的问题,第二是人的问题,第三流程问题,都自动化处理。通过大模型,把数据自动做可视化展现、异常数据的自动识别、归因分析、客户特征分析生成数据,最后给到决策建议。
新的分析流程中,提供几个价值。
第一个自主,现在AI普遍化了,不是顶尖科学家专属的,AI可以让每个人都使用,业务人员随时随地提出分析需求,充分让业务人员实现自主。
第二个灵活,通过自然语言查询快速获取想要的分析结果,随时可以去提出问题,随时纠正。
第三个专业,能做多种数据分析、异常分析等操作,比IT人员更专业。
最后是高效,从问题到决策非常快速,可以一直修正问题,一直提供决策。
04零售连锁餐饮企业案例分析
某餐饮业在2022年整体的销售金额为增长态势,但2023年销售金额数据出现大幅下降。通过分析四大渠道,包括抖音、京东、拼多多以及天猫的销售数据,在2023年2月-7月业务下降的非常严重,需要去做更加精细的分析。他先从内部做分析后,产生了三个结论:第一是整个销售趋势下滑严重,第二是各渠道数据表现都不好,第三是之前的爆品现在也不香了。
这是用BI可以做的事情,但能满足决策需要吗?回答是不行的,原因有4点,分析时效差、质量差、深度差、应用差。
关于失效差,因为数据分析是个冗长的过程,可能需要2-3周;质量差,因为仰赖人工处理和分析,没有办法做控制;深度差,因人工分析只能做基本的描述性分析、诊断性分析,比较表面,没办法做预测性分析、角色分析;应用差,因为人只能知道状况,大部分的决策依靠经验。如果决策错误,可能没办法解决现况,而且决策错误也导致整个资源浪费,最重要是客户信任度下降,客户流失。
就餐饮行业而言,外部竞争非常激烈,从2023年1-6月新的餐饮注册量已经有超过200万家。如果只用传统BI工具做到基本的底层分析,无法做到更高的一些行动指导。通过使用AI.Insight,诊断出来几个问题,第一整个下滑渠道里面,抖音跟京东下滑最严重。第二爆品发生变化,原来爆品不香。第三各个渠道用户偏好不太一样。基于这三个问题给了三个建议:第一因为渠道的不同,客户喜好属性不一样,需要根据不同的渠道以及用户详细的购买记录,打造不一样爆品。第二最重要问题是流失,通过预测分析,提供特别的、有针对性的诱因,让流失客户再次活跃。第三品类非常多,可以针对客户产品关联性,做搭配销售,提高整个销售。通过这些经营决策分析,仅1个季度商家线上渠道复购率提升了20%,销售金额提高10%。
通过AI的交互能力、深度分析能力,可以实现从数据到决策。从去年到今年到明年大模型的落地,会给更多企业带来用户经营分析的强有力支持。
负责大数据应用技术及产品研发;知名大数据领域专家,超二十年大数据行业从业经验。曾任职于台湾中央研究院经济研究所、华润银行、招商银行等大型机构以及知名SAS软件公司并担任高级职务。受聘于深圳大学,担任银行业数字金融联合实验室专家、授课讲师、校外导师,负责共创课程研发及课程设计,为中国银行业数字化转型赋能。同时负责科学研究与项目落地实践,即有前沿技术研发能力又兼具大数据项目落地和实现能力。当前已带领团队完成数十项发明专利,推出数款大数据产品,助力八大行业数百家企业快速实现数智化应用。
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.